1 Introducción a R y RStudio

$~$

2 Conceptos básicos de R

$~$

2.1 Hola mundo

R se puede usar como calculadora. Puedes escribir las operaciones y ejecutarlas en la consola. Por ejemplo, la suma de dos valores:

3 + 6

## [1] 9

(2 + 2)* 10

## [1] 40

R también realiza operaciones más complejas como logaritmos o senos y cosenos (etc.):

log(20)

## [1] 2.995732

cos(4)

## [1] -0.6536436

También puedes escribir las operaciones en el script y ejecutarlo haciendo click en el botón Run situado en la parte superior derecha de la ventana del script. De esta manera, puedes ir creando un script con todo el código que quieras.

Prueba a ejecutar el siguiente comando desde el script:

print("Hello World!")

## [1] "Hello World!"

$~$

2.2 Configuración inicial

$~$

2.2.1 Definir el directorio de trabajo (working directory)

El directorio de trabajo es la caperta de tu ordenador en la que estás trabajando. Cuando lees un archivo con R, R lo busca en el directorio de trabajo que le has especificado. Cuando guardas un archivo de datos o una figura con R, R la guarda en el directorio de trabajo especificado.

Consultar el directorio de trabajo actual:

getwd()

Definir el directorio de trabajo. Cuando se empieza un trabajo con R es importante especificar el directorio de trabajo donde se encontrarán los scripts y archivos del proyecto:

setwd("/path/to/directory")

$~$

2.2.2 Librerías o paquetes

Cuando instalamos R por primera vez, lo que estamos instalando se conoce como “R Base”, es decir, las funcionalidades básicas de R. Una de las ventajas de R es que, al ser un lenguaje de código abierto, la propia comunidad de R desarrolla nuevas extensiones de R; estas extensiones se conocen como librerías o paquetes de R.

Hay muchos paquetes disponibles, se encuentran sobre todo en el repositorio oficial de librerias de R: CRAN. Para poder usar un paquete (por ejemplo, “dplyr”) hay que instalarlo en el ordenador y cargarlo en R, de la siguiente manera:

Instalar un paquete:

install.packages("dplyr")

Cargar un paquete:

library("dplyr")

En la pestaña “Packages” de la ventana inferior izquierda de RStudio se pueden ver los paquetes instalados. Los paquetes ya cargados aparecen con un ✓. Otra manera de cargar paquetes es haciendo click directamente en el en la casilla correspondiente al paquete:

$~$

Los paquetes de R suelen estar, en general, bastante bien documentados; cuentan con información y ayuda para el usuario sobre las funcionalidades, así como ejemplos sencillos de la manera de usar las funciones del paquete. Hay dos principales fuentes de ayuda referentes a los paquetes:

Help:

help("dplyr")

$~$

2.2.3 Prácticas de buen uso

Una práctica de buen uso en la programación es comentar el código que vamos desarrollando. De esta manera, será más fácil de entender el código si volvemos a abir el script después de un tiempo o lo compartimos con otras personas. En R, cualquier texto despúes de un # no se ejecuta.

Escribir comentarios:

# Esto no se ejecuta

$~$

Ejercicios

Crear una carpeta con un script llamado miprimerscript.R.
Definir el working directory en el script como la carpeta contenedora.
Instalar y cargar el paquete “markdown”.
Comentar en el script que hemos instalado el paquete “markdown”.

$~$

2.3 Objetos de R

$~$

2.3.1 Variables

Una variable es una letra o palabra que almacena un valor. Para asignar un valor a una variable se utiliza el operador de asignación <-:

x <- 3
MiNumero <- 9

Ahora, x se denomina una variable y aparece en la ventana superior derecha de RStudio workspace window. En esta ventana aparecerán todos los objetos que vayamos guardando durante la sesión. R los almacena en la memoria de manera que puedan ser usados más adelante.

Si ahora escribimos el nombre de la variable, el valor de ésta se imprimirá en la consola:

## [1] 3

Hay algunas variables especiales predefinidas en R, como por ejemplo el número Pi:

pi

## [1] 3.141593

Ahora, podemos hacer operaciones con/entre las variables:

x + 2

## [1] 5

x + MiNumero

## [1] 12

Y almacenarlas en nuevas variables:

y = x * 2
y

## [1] 6

Cambiar el valor de una variable:

y = 2500
y

## [1] 2500

O reescribirlas:

y = y + 1
y

## [1] 2501

$~$

Ejercicio

Crea dos variables a y bcon valores 100 y 20, correspondientemente y una nueva variable z que sea la división de a entreb.

$~$

2.3.2 Vectores

$~$ Los vectores son una sequencia de valores y en R se crean usando c():

Numéricos: 1, 2, 3

x <- c(1, 2, 3); 
x

## [1] 1 2 3

is.numeric(x)

## [1] TRUE

Caracteres: “a”, “b”, “c”

x <- c("a", "b", "c"); 
x

## [1] "a" "b" "c"

is.character(x)

## [1] TRUE

Podemos acceder a los elementos de los vectores haciendo uso de los corchetes [] y el índice correspondiente:

x[1]

## [1] "a"

Y podemos saber si se cumple una condición en un vector:

x == "a"

## [1]  TRUE FALSE FALSE

y dónde:

which(x == "a")

## [1] 1

Podemos nombrar los elementos de un vector con names():

miVec <- c(1, 2, 3) 
names(miVec) <- c("col1", "col2", "col3")
miVec

## col1 col2 col3 
##    1    2    3

Podemos concatenar dos vectores:

v1 <- c(1, 2, 3) 
v2 <- c(4, 5, 6)
v3 <- c(v1, v2)
v3

## [1] 1 2 3 4 5 6

Y consultar la longitud de un vector con la function length():

length(v3)

## [1] 6

Se pueden hacer operaciones con vectores (suma, resta…) por elementos utilizando los operadores normales. Si queremos hacer una multitplicación vectorial (matemáticamente hablando, el producto escalar) hay que usar el operador de mutiplicación matemática %*%:

v1 * v2

## [1]  4 10 18

v1 %*% v2

##      [,1]
## [1,]   32

$~$

Ejercicios:

Crea 2 vectores y suma sus primeros elementos.
Crea un tercer vector que sea la concatenación del primero con el doble del segundo.

$~$

2.3.3 Matrices y Dataframes

Matrices (2D): estructuras bi-dimensionales con datos del mismo tipo. Se crean utilizando la function matrix():

miMat <- matrix(v3, nrow = 2, ncol = 3, byrow = TRUE)
miMat

##      [,1] [,2] [,3]
## [1,]    1    2    3
## [2,]    4    5    6

Dado un objeto, puedes prefuntarle a R qué tipo de objeto es tilizando la function class():

class(v3)

## [1] "numeric"

class(miMat)

## [1] "matrix"

Data Frames (2D): estructuras bi-dimensionales con datos no necesariamente del mismo tipo. Se crean utilizando la function data.frame():

v1 <- c(1, 2, 3)
v2 <- c("a", "b", "c")
miDF <- data.frame(Col1 = v1, Col2 = v2)
miDF

##   Col1 Col2
## 1    1    a
## 2    2    b
## 3    3    c

Para acceder a los elementos de una matriz, accedemos de la misma manera que a los elementos de los vectores, es decir, utilizando []. Pero en este caso, al tener las matrices dos dimensiones, tendremos que especificarle la fila y la columna del elemento al que queremos acceder. Por ejemplo, para acceder al elemento que está en la primera fila, en la segunda columna, haremos:

miMat[1,2]

## [1] 2

Podemos crear matrices de zeros, de unos o de NA-s, que es el “vacio” en R:

matrix(0, nrow = 4, ncol = 2)

##      [,1] [,2]
## [1,]    0    0
## [2,]    0    0
## [3,]    0    0
## [4,]    0    0

matrix(1, nrow = 2, ncol = 3)

##      [,1] [,2] [,3]
## [1,]    1    1    1
## [2,]    1    1    1

matrix(NA, nrow = 3, ncol = 3)

##      [,1] [,2] [,3]
## [1,]   NA   NA   NA
## [2,]   NA   NA   NA
## [3,]   NA   NA   NA

Podemos unir matrices por fila o columna, utilizando rbind() ycbind(), correspondientemente:

miMat1 <- matrix(v3, nrow = 2, ncol = 3, byrow = TRUE)
miMat2 <- matrix(v3, nrow = 2, ncol = 3, byrow = FALSE)

rbind(miMat1, miMat2)

##      [,1] [,2] [,3]
## [1,]    1    2    3
## [2,]    4    5    6
## [3,]    1    3    5
## [4,]    2    4    6

cbind(miMat1, miMat2)

##      [,1] [,2] [,3] [,4] [,5] [,6]
## [1,]    1    2    3    1    3    5
## [2,]    4    5    6    2    4    6

$~$

Ejercicio

Crea las matrices siguientes y concaténalas (atentx a las dimensiones para saber si concatenar por fila o columna):

\[ \begin{pmatrix} 1 & 4 & 3\\ 8 & 5 & 1 \end{pmatrix} \begin{pmatrix} 9 & 1 & 6\\ 7 & 6 & 4 \\ 3 & 2 & 1 \end{pmatrix} \]

$~$

2.4 Funciones

$~$

2.4.1 Funciones básicas de R

Una función es una interfaz a la que el usuario le da un(os) argumento(s) (input) y ésta le devuelve un resultado (output) que es el resultado de haber realizado operaciones al input. Por ejemplo, la función sqrt(x) calcula la raíz cuadrada de x:

sqrt(9)

## [1] 3

Para calcular la media de 3 números, podemos calcularla a mano:

(3 + 4 + 5) / 3

## [1] 4

O podemos calcular utilizando la funcion mean():

x <- c(3, 4, 5)
mean(x)

## [1] 4

Otro ejemplo muy útil es seq() para crear secuencias. Utilizando el operador a:b, R nos devuelve la secuencia entre ay b, mientras que si queremos la secuencia cada 2 números hacemos uso de seq():

1:10

##  [1]  1  2  3  4  5  6  7  8  9 10

seq(from = 1, to = 10, by = 2)

## [1] 1 3 5 7 9

Otra función básica como útil es rep(), que repite el argumento de la primera posición tantas veces como le indiques en la segunda posición; es decir:

rep(1, 10)

##  [1] 1 1 1 1 1 1 1 1 1 1

rep(c(1, 2, 3), 5)

##  [1] 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Podemos usar estas funciones para operar con vectores:

v <- 1:20
v

##  [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20

v[seq(1, 20, 2)]

##  [1]  1  3  5  7  9 11 13 15 17 19

v[1:5] <- 0
v

##  [1]  0  0  0  0  0  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20

$~$

Recuerda

Corchetes [ ] para acceder a índices
Paréntesis () para argumentos de funciones

$~$

Algunas veces los agumentos tienen valores por defecto (default), de manera que si el usuario no especifica ninguna valor se utilizar ese. Por ejemplo, la función rnorm(), que genera n número aleatorios que siguen una distribución normal de media 0 y desviación estándar 1:

rnorm(n = 10)

##  [1]  0.59919321  1.59326200 -1.68204951  0.42556939 -0.62878975
##  [6]  1.33495883  0.88856691  0.84466521 -1.33741749  0.07918562

¿Cómo hacemos si queremos cambiar la media y desviación estándar?

$~$

2.4.2 Ayuda de R

Para consultar información sobre una función (qué es lo que hace, qué argumentos recibe, las opciones…) contamos con la ayuda R. Para acceder a la ayuda de una función, tecleamos ? y el nombre de la función:

?rnorm
help(rnorm)

Aparecerá una ficha de información con las siguientes secciones:

Description: El objetivo de la función
Usage: El modo de usarla
Arguments: Una lista de los argumentos que recibe
Details: Información más detallada de la función y sus argumentos
Value: Información a cerca del output de la función
References: Referencias de artículos útiles
Examples: Ejemplos de uso

De esta manera, si queremos generar 10 números aleatorios siguiendo una distribución normal de media 2 y desviación estándar 5:

rnorm(n = 10, mean = 2, sd = 5)

##  [1]   6.6433612   1.1278435  -0.4220474   5.9911394   7.8457946
##  [6]   2.0745337 -10.3072868   1.6649051   3.4634884   4.9754807

$~$

2.4.3 Definición de funciones

Un nivel superior consiste en definir las propias funciones con function(). Para definir una función necesitamos:

Un nombre
Al menos un input
Un output

Y se define de la siguiente manera:

NombreDeLaFucion <- function(input){
  operaciones
  return(output)
}

Por ejemplo, podemos crear una función que, dado un número te devuela la raiz cuadráda del triple de ese número:

MiPrimeraFuncion <- function(x) {
  y <- sqrt(3 * x)
  return(y)
}

MiPrimeraFuncion(20)

## [1] 7.745967

MiPrimeraFuncion(5)

## [1] 3.872983

$~$

Ejercicio:

Crea una función que dados 2 números:

Cree dos vectores. El primer vector será la secuencia del 1 al primer número. El segundo vector será la secuencia del primer numero al segundo número cada 2.
Concatene esos vectores.
Calcule la desviación estándar de ese nuevo vector.
Imprima la desviación estándar.
Devuelva la multipicación del primer número por la desviación estándar.

MiSegundaFuncion <- function(a,b) {
  x      <- 1:a
  y      <- seq(a, b, by = 2)
  x.y    <- c(x,y)
  x.y.sd <- sd(x.y)
  sd2    <- x.y[1]*x.y.sd
  return(c(x.y.sd, sd2))
}

MiSegundaFuncion(a = 3, b = 100)

## [1] 30.02922 30.02922

3 Importar y exportar datos

Hay muchas formas de importar (leer) y exportar (escribir) datos en R.

En las secciones 3, 4 y 5 estaremos trabajando con los siguientes conjuntos de datos:

gapminder: Es un conjunto de datos del paquete gapminder, con información sobre la esperanza de vida, el GDP per cápita, y población para 142 países. La información es quinquenal entre 1952 y 2007. En total se tienen 1704 registros en 6 variables.
UN98: Es un conjunto de datos del paquete carData, con información sobre indicadores sociales de las Naciones unidas para 207 países en el año 1998. En total se tienen 207 registros en 13 variables.
txhousing: Es un conjunto de datos del paquete ggplot2, con información sobre el mercado inmobiliario en el estado de Texas. Se cuenta con información mensual para 46 ciudades, entre los años 2000 y 2015. En total se tienen 8602 registros en 9 variables.
titanic3: Es un conjunto de datos del paquete PASWR. El conjunto de datos contiene información sobre l@s pasajer@s del barco Titanic. Está formado por 1309 observaciones (pasajer@s) y contamos con información de 14 variables.

3.1 Importar (leer) datos a R

La forma más sencilla de aprender a importar datos es usando la opción Import Dataset en la pestaña Environment de RStudio

$~$

También puedes leer datos directamente desde la consola usando la función read_excel() del paquete readxl (para archivos con extensión .xlsx o .xls).

Por ejemplo, si queremos leer la base de datos txhousing.xlsx podremos usar el siguiente código:

library(readxl)
data.house <- read_excel("txhousing.xlsx")
str(data.house)

## Classes 'tbl_df', 'tbl' and 'data.frame':    8602 obs. of  9 variables:
##  $ city     : chr  "Abilene" "Abilene" "Abilene" "Abilene" ...
##  $ year     : num  2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 ...
##  $ month    : num  1 2 3 4 5 6 7 8 9 10 ...
##  $ sales    : num  72 98 130 98 141 156 152 131 104 101 ...
##  $ volume   : num  5380000 6505000 9285000 9730000 10590000 ...
##  $ median   : num  71400 58700 58100 68600 67300 66900 73500 75000 64500 59300 ...
##  $ listings : num  701 746 784 785 794 780 742 765 771 764 ...
##  $ inventory: num  6.3 6.6 6.8 6.9 6.8 6.6 6.2 6.4 6.5 6.6 ...
##  $ date     : num  2000 2000 2000 2000 2000 ...

Para leer datos con extensión .csv o .txt puedes usar la función read.table().

Por ejemplo, si queremos leer la base de datos UN98.csv podremos usar el siguiente código:

data.gap <- read.table("gapminder.csv", header = TRUE, sep = "", dec = ",")
str(data.gap)

## 'data.frame':    1704 obs. of  6 variables:
##  $ country  : Factor w/ 142 levels "Afghanistan",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ continent: Factor w/ 5 levels "Africa","Americas",..: 3 3 3 3 3 3 3 3 3 3 ...
##  $ year     : int  1952 1957 1962 1967 1972 1977 1982 1987 1992 1997 ...
##  $ lifeExp  : num  28.8 30.3 32 34 36.1 ...
##  $ pop      : int  8425333 9240934 10267083 11537966 13079460 14880372 12881816 13867957 16317921 22227415 ...
##  $ gdpPercap: num  779 821 853 836 740 ...

Ejercicio

Leer una base de datos que esté en formato .txt (por ejemplo, UN98.txt)

Otra opción es descargar datos directamente de internet. Para esto usamos la función read_csv del paquete readr.

library(readr)
data.mtcars <- read.csv("https://github.com/tidyverse/readr/raw/master/inst/extdata/mtcars.csv")
str(data.mtcars)

## 'data.frame':    32 obs. of  11 variables:
##  $ mpg : num  21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
##  $ cyl : int  6 6 4 6 8 6 8 4 4 6 ...
##  $ disp: num  160 160 108 258 360 ...
##  $ hp  : int  110 110 93 110 175 105 245 62 95 123 ...
##  $ drat: num  3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
##  $ wt  : num  2.62 2.88 2.32 3.21 3.44 ...
##  $ qsec: num  16.5 17 18.6 19.4 17 ...
##  $ vs  : int  0 0 1 1 0 1 0 1 1 1 ...
##  $ am  : int  1 1 1 0 0 0 0 0 0 0 ...
##  $ gear: int  4 4 4 3 3 3 3 4 4 4 ...
##  $ carb: int  4 4 1 1 2 1 4 2 2 4 ...

Además, si estás interesado en los datos de EUROSTAT, del INE, o del Banco Mundial (paquetes WDI y `wbstats), puedes acceder a ellos haciendo web scraping a través de APIs.

3.2 Exportar (escribir) datos desde R

Para exportar datos de R a excel (para archivos con extensión .xlsx o .xls), podremos usar la función write.xlsx() del paquete xlsx o del paquete openxlsx.

Por ejemplo, previamente, leímos los datos txhousing. Ahora prueba a exportarlos a excel. Verifica que tienes el nuevo archivo en tu directorio de trabajo.

library(openxlsx)
write.xlsx(data.house, "mis_datos.xlsx", row.names = FALSE)

$~$

Para exportar datos de R a archivos con extensión .csv o .txt, podremos usar la función write.table(). Nota: Ten en cuenta que estos formatos no admiten más de una hoja por archivo.

write.table(data.house, "mis_datos.csv", row.names = FALSE)

Ejercicio

Exportar una base de datos en formato .txt (por ejemplo, txhousing)

Los datos también pueden ser guardados en un archivo con una extensión propia de R (.Rdata). Tiene como ventaja que si has modificado la clase de alguna de las variables, este formato lo conserva. Además es bastante eficiente y te permite también guardar varios objetos en el mismo archivo. Para guardar los datos se usa la función save(), y para leerlos se usa la función load()

save (data.house, data.gap, file = "mis_datos.Rdata")
load ("mis_datos.Rdata")

4 Gestión básica de datos

4.1 Explorando la estructura inicial de los datos

Después de importar tus datos, el siguiente paso sería verificar que fueron correctamente leídos y que las variables tienen la clase correcta para su posterior análisis. En R existen varias funciones que nos permiten explorar la estructura inicial de nuestros datos. Algunas de ellas son: View(), head(), tail(), str() y summary().

Por ejemplo, para los datos de gapminder

View(data.gap)
head(data.gap)

##       country continent year lifeExp      pop gdpPercap
## 1 Afghanistan      Asia 1952  28.801  8425333  779.4453
## 2 Afghanistan      Asia 1957  30.332  9240934  820.8530
## 3 Afghanistan      Asia 1962  31.997 10267083  853.1007
## 4 Afghanistan      Asia 1967  34.020 11537966  836.1971
## 5 Afghanistan      Asia 1972  36.088 13079460  739.9811
## 6 Afghanistan      Asia 1977  38.438 14880372  786.1134

tail(data.gap)

##       country continent year lifeExp      pop gdpPercap
## 1699 Zimbabwe    Africa 1982  60.363  7636524  788.8550
## 1700 Zimbabwe    Africa 1987  62.351  9216418  706.1573
## 1701 Zimbabwe    Africa 1992  60.377 10704340  693.4208
## 1702 Zimbabwe    Africa 1997  46.809 11404948  792.4500
## 1703 Zimbabwe    Africa 2002  39.989 11926563  672.0386
## 1704 Zimbabwe    Africa 2007  43.487 12311143  469.7093

str(data.gap)

## 'data.frame':    1704 obs. of  6 variables:
##  $ country  : Factor w/ 142 levels "Afghanistan",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ continent: Factor w/ 5 levels "Africa","Americas",..: 3 3 3 3 3 3 3 3 3 3 ...
##  $ year     : int  1952 1957 1962 1967 1972 1977 1982 1987 1992 1997 ...
##  $ lifeExp  : num  28.8 30.3 32 34 36.1 ...
##  $ pop      : int  8425333 9240934 10267083 11537966 13079460 14880372 12881816 13867957 16317921 22227415 ...
##  $ gdpPercap: num  779 821 853 836 740 ...

summary(data.gap)

##         country        continent        year         lifeExp     
##  Afghanistan:  12   Africa  :624   Min.   :1952   Min.   :23.60  
##  Albania    :  12   Americas:300   1st Qu.:1966   1st Qu.:48.20  
##  Algeria    :  12   Asia    :396   Median :1980   Median :60.71  
##  Angola     :  12   Europe  :360   Mean   :1980   Mean   :59.47  
##  Argentina  :  12   Oceania : 24   3rd Qu.:1993   3rd Qu.:70.85  
##  Australia  :  12                  Max.   :2007   Max.   :82.60  
##  (Other)    :1632                                                
##       pop              gdpPercap       
##  Min.   :6.001e+04   Min.   :   241.2  
##  1st Qu.:2.794e+06   1st Qu.:  1202.1  
##  Median :7.024e+06   Median :  3531.8  
##  Mean   :2.960e+07   Mean   :  7215.3  
##  3rd Qu.:1.959e+07   3rd Qu.:  9325.5  
##  Max.   :1.319e+09   Max.   :113523.1  
##

Si quieres hacer lo mismo para una de las variables en la base de datos gapminder, entonces (Ayuda: para acceder a una variable de una base de datos usa el operador $):

View(data.gap$lifeExp)
head(data.gap$lifeExp)

## [1] 28.801 30.332 31.997 34.020 36.088 38.438

tail(data.gap$lifeExp)

## [1] 60.363 62.351 60.377 46.809 39.989 43.487

str(data.gap$lifeExp)

##  num [1:1704] 28.8 30.3 32 34 36.1 ...

summary(data.gap$lifeExp)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   23.60   48.20   60.71   59.47   70.85   82.60

Ejercicios

Probar cada una de estas funciones con los datos txhousing.
Probar cada una de estas funciones con una de las variables de los datos txhousing

4.2 Creación de nuevas variables

En R puedes crear nuevas variables a partir de las variables que ya tienes disponible en tu base de datos. Por ejemplo,

Puedes crear una variable con un conjunto de categorías, a partir de una o más variables numéricas.
Puedes crear una variable con un conjunto de categorías, a partir de una o más variables categóricas.
Puedes crear una variable con un conjunto de categorías, a partir una combinación de variables numéricas y categóricas.
Puedes crear una variable numérica a partir de una o más variables numéricas.

Por ejemplo, para los datos sobre mercado inmobiliario (txhousing), si quieres crear una variable con cuatro categorías que indique el trimestre en el que se da cada registro en la base de datos, lo puedes hacer de la siguiente manera:

data.house$trimestre[data.house$month <= 3] <- 1
data.house$trimestre[data.house$month > 3 & data.house$month <= 6] <- 2
data.house$trimestre[data.house$month > 6 & data.house$month <= 9] <- 3
data.house$trimestre[data.house$month > 9] <- 4
summary(data.house$trimestre)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   1.000   1.000   2.000   2.471   3.000   4.000

# Convirtiendo una variable de clase "num" a clase "chr"
data.house$trimestre.cat <- factor(data.house$trimestre, labels = c("Primero", "Segundo", "Tercero", "Cuarto"))
summary(data.house$trimestre.cat)

## Primero Segundo Tercero  Cuarto 
##    2208    2208    2116    2070

Ejercicios

Para los datos sobre mercado inmobiliario (txhousing) crea las siguientes variables:

Crea una variable numérica que indique el volumen de ventas promedio a partir de las variables sales y volume.
Crea una variable con tres categorías que indique el nivel de ventas a partir de las variables sales y volume:
- Alto: sales => 467 y volume => 75.121.389
- Medio: 86 <= sales < 467 y 10.840.000 <= volume < 75.121.389
- Bajo: sales < 86 y volume < 10.840.000
Qué se te ocurre si quieres crear una variable con un conjunto de categorías, a partir una combinación de variables numéricas y categóricas? Sé creativo!!! (pero que tenga sentido)

4.3 Renombrando variables

Para acceder a los nombres de las variables de tu base de datos puedes usar la función names() o colnames(). De igual forma, si quieres acceder a los nombres de las filas, puedes usar la función rownames().

Para cambiar el nombre de las variables de un conjunto de datos, puedes usar la función rename() del paquete plyr.

library(plyr)
names(data.house)

##  [1] "city"          "year"          "month"         "sales"        
##  [5] "volume"        "median"        "listings"      "inventory"    
##  [9] "date"          "trimestre"     "trimestre.cat"

colnames(data.house)

##  [1] "city"          "year"          "month"         "sales"        
##  [5] "volume"        "median"        "listings"      "inventory"    
##  [9] "date"          "trimestre"     "trimestre.cat"

head(rownames(data.house))

## [1] "1" "2" "3" "4" "5" "6"

new.data.house <- rename(data.house, c(city="ciudad", year="año", month = "mes"))
names(new.data.house)

##  [1] "ciudad"        "año"           "mes"           "sales"        
##  [5] "volume"        "median"        "listings"      "inventory"    
##  [9] "date"          "trimestre"     "trimestre.cat"

4.4 Subconjuntos de datos

La forma más simple de hacer subconjuntos de datos es usando la función subset(). Esta función permite hacer subconjuntos de datos tanto por condiciones de fila (argumento subset), de columna (argumento select), o de ambos.

Por ejemplo, para los datos sobre mercado inmobiliario (txhousing), crea un subconjunto de datos con las variables listings e inventory para la ciudad de Tyler.

Tyler.data <- subset(data.house, city == "Tyler", select=c(listings, inventory))
head(Tyler.data)

## # A tibble: 6 x 2
##   listings inventory
##      <dbl>     <dbl>
## 1     1438       8.4
## 2     1483       8.7
## 3     1438       8.4
## 4     1564       9.2
## 5     1564       9.2
## 6     1585       9.3

Ejercicios

Para los datos sobre mercado inmobiliario (txhousing):

Haz un subconjunto de datos por cada trimestre.
Divide la base de datos en dos: Una con las variables categóricas, otra con las variables numéricas. Para cada una, conserva las variables de identificación de cada registro.

4.5 Fusionando conjuntos de datos

Si tienes dos bases de datos sobre el mismo tema y quieres fusionarlas, puedes usar la función merge(). Debes tener presente que las dos bases de datos deben tener por lo menos una columna en común. En este caso no es necesario que los dos conjuntos de datos sean de la misma dimensión.

Por ejemplo, si dividimos la base de datos txhousing en dos: una con las variables categóricas, y otra con las variables numéricas, y conservamos las variables de identificación de cada registro, y luego queremos volver a fusionarlas en una sóla base de datos. El código sería el siguiente (Nota: Las variables de identificación de cada registro son: city, year y month, ¿por qué?):

data.cuanti <- subset(data.house, select=c(city, year, month, sales, volume, 
                                           median, listings, inventory))
data.cuali <- subset(data.house, select=c(city, year, month, date, trimestre, 
                                          trimestre.cat))
data.merge <- merge(data.cuali, data.cuanti, by = c("city", "year", "month"))
dim(data.merge)

## [1] 8602   11

dim(data.house)

## [1] 8602   11

También podemos fusionar conjuntos de datos por filas (rbind()) o por columnas (cbind()). Cuando se hace por filas, las dos bases de datos deben tener el mismo número de columnas. Cuando se hace por columnas, las dos bases de datos deben tener el mismo número de filas.

Ejercicios

Fusiona por columnas las bases de datos data.cuali y data.cuanti. ¿Qué diferencia hay con el último merge que hiciste?.
Fusiona por filas las dos bases de datos que obtuviste en el primer ejercicio de la anterior subsección.

5 Visualización básica de datos

En R tenemos disponibles distintos sistemas gráficos, aunque los más comunes son:

Sistema gráfico base de R (autor: R Core Team and contributors). El núcleo (core en inglés) gráfico en R se encuentra en los paquetes graphics (contiene las funciones de gráficos base: plot, hist, etc.) y grDevices (que implementa los distintos dispositivos gráficos: pdf, ps, png, …).
lattice (autor:Deepayan Sarkar). El libro Lattice. Multivariate Data Visualization with R (http://www.springer.com/gp/book/9780387759685) proporciona una gran cantidad de ejemplos (con código `R’).
ggplot2 (autor: Hadley Wickham). En https://ggplot2-book.org/ podéis encontrar la versión online de de la tercera edición del libro ggplot2: elegant graphics for data analysis. Más detalles en la sesión de la semana que viene!

Independientemente del sistema gráfico que empleemos, el tipo de gráfico que seleccionemos va a depender de:

La información que queramos extraer de los datos.
El tipo de variable (cuantitativa o cualitativa).
En número de variables que queramos graficar (describir la posible relación que hay entre ellas).

En esta sesión ilustraremos los gráficos más comunes del paquete graphics. Recuerda que siempre puedes ir a los ejemplos de la ayuda de cada función para aprender otras opciones!

5.1 Gráficos base

Antes de ver las principales funciones que podemos emplear, veamos algunos ejemplos que nos ofrece R

demo(graphics)

Para realizar el caso práctico en esta parte del curso vamos a emplear el conjunto de datos titanic3 del paquete PASWR (En el material de clase está en formato .xlsx). El conjunto de datos contiene información sobre l@s pasajer@s del barco Titanic. Está formado por 1309 observaciones (pasajer@s) y contamos con información de 14 variables. El primer paso será cargar (o instalar el paquete) y el conjunto de datos y ver la información con la que contamos:

library(PASWR) # install.packages("PASWR") si no lo tenemos
data(titanic3)
names(titanic3)

##  [1] "pclass"    "survived"  "name"      "sex"       "age"      
##  [6] "sibsp"     "parch"     "ticket"    "fare"      "cabin"    
## [11] "embarked"  "boat"      "body"      "home.dest"

?titanic3

Para este ejercicio nos vamos a centrar en las variables:

pclass Variable cualitativa que indica la clase en la que viajaba la/el pasajera/o: 1st (primera clase), 2nd (segunda clase) y 3rd (tercera clase)
survived Variable cualitativa que indica si la/el pasajera/o sobrevivió o no: 0 (no sobrevivió) e 1 (sobrevivió).
sex Variable cualitativa que indica el sexo: Male (hombre) y Female (mujer).

5.1.1 Gráfico de barras

Este gráfico lo emplearemos con variables cualitativas. El gráfico presenta una barra para cada una de las distintas categorías de la variable, siendo la áltura de la barra la frecuencia (relativa o absoluta) de cada categoría.

# Frecuencias abolutas
fa_pclass <- table(titanic3$pclass)
fa_pclass

## 
## 1st 2nd 3rd 
## 323 277 709

barplot(fa_pclass)

El gráfico anterior es bastante simple, pero podemos “mejorarlo” de muchas maneras

barplot(fa_pclass,
        col = c(1, 2, 3), # Colores para cada una de las barras (1:3)
        density = 50, # Trama para el color de las barras
        xlab = "Clase", # Texto a aparecer en el eje x de la gráfica
        ylab = "Frecuencia absoluta", # Texto a aparecer en el eje y de la gráfica
        main = "Tabla de frecuencias absolutas (clase)", # Título
        cex.main = 2 # Tamaño de letra para el título
)

Y si queremos las frecuencias relativas, se lo indicamos de la siguiente manera

fr_pclass <- prop.table(fa_pclass)
fa_pclass

## 
## 1st 2nd 3rd 
## 323 277 709

fr_pclass

## 
##       1st       2nd       3rd 
## 0.2467532 0.2116119 0.5416348

barplot(fr_pclass,
        col = heat.colors(3), # Colores para cada una de las barras
        density = 10, # Trama para el color de las barras
        xlab = "Clase", # Texto a aparecer en el eje x de la gráfica
        ylab = "Frecuencia relativa", # Texto a aparecer en el eje y de la gráfica
        main = "Tabla de frecuencias relativas (Clase)", # Título
)

En el gráfico anterior hemos empleado colores de la llamada paleta de colores heat.colors (el número 3 indica que queremos 3 colores de esa paleta). El tema de los colores en R es otro universo. Podéis encotrar más información en las siguientes páginas

Ejercicio

Modifica el gráfico de barras anterior, para que:

Las barras aparezcan unas al lado de las otras (sin espacio).
Las barras aparezcan en sentido horizontal en lugar de vertical.
Juega con los colores

Pista: usa la ayuda asociada a la función barplot().

5.1.2 Gráfico de sectores

Otro gráfico habitual para variables cualitativas es el gráfico de sectores, que representa mediante un sector circular (quesito) cada una de las distintas categorías de la variable, siendo su área proporcional a la frecuencia de cada categoría

fa_pclass <- table(titanic3$pclass)
pie(fa_pclass,
    col = heat.colors(3), # Colores para cada una de los sectores
    main = "Gráfico de sectores (class)"
)

5.1.3 Gráfico de barras para dos variables cualitativas

Aunque un grafico de barras para una única variable puede ofrecer información valiosa (ayuda a describir, gráficamente, los datos con los que contamos), su mayor potencial es en aquellas situaciones en las que queremos estudiar y representar gráficamente la (posible) relación que existe entre dos variables cualitativas.

En los siguiente ejemplos, emplearemos los datos titanic3, y representaremos conjuntamente las variables pclass y survived. Sin embargo, antes de nada vamos a transformar nuestra variable survived ya que aunque es una variable cualitativa, en nuestro conjunto de datos está codificada como cuantitativa (numérica) (y eso no es aconsejable!!)

summary(titanic3$survived)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   0.000   0.000   0.382   1.000   1.000

titanic3$survived_f <- factor(titanic3$survived, levels = c(0,1), labels = c("No", "Sí"))
summary(titanic3$survived_f)

##  No  Sí 
## 809 500

Lo primero que tenemos que hacer para crear un gráfico de barras para dos variables, es crear una tabla de frecuencias (absolutas o relativas) con las dos variables de intereś

tt <- table(titanic3$survived_f, titanic3$pclass) # Paso 1: crear una tabla de doble entrada (freq. absolutas)
tt

##     
##      1st 2nd 3rd
##   No 123 158 528
##   Sí 200 119 181

colnames(tt)

## [1] "1st" "2nd" "3rd"

rownames(tt)

## [1] "No" "Sí"

Ahora empleamos esa tabla como argumento de la función barplot()

barplot(tt, main = "Survived es apilado dentro de los niveles de pclass",
        col = 2:3, 
        legend.text = TRUE, # incluye una leyenda con las categorías de la variable apilada con el color que la identifica en el gráfico.
        xlab = "Clase"
)

Por defecto, la función barplot() toma como referencia la variable que aparece en las columnas de nuestra tabla (en nuestro caso, pclass), y agrupa o apila las categorías de la otra variable (survived_f) dentro de cada categoría de la variable de referencia. Si queremos cambiar la agrupación tenemos que trasponer la tabla (cambiar filas por columnas)

t(tt) # Para trasponer la tabla

##      
##        No  Sí
##   1st 123 200
##   2nd 158 119
##   3rd 528 181

barplot(t(tt), main = "pclass es apilado dentro de los niveles de survived",
        col = 2:4,
        legend.text = TRUE,
        args.legend = list(x = "topleft", cex = 1.5, title = "Clase") # Cambiamos la apariencia de la leyenda
)

También por defecto, la función barplot() nos muestra un gráfico de barras apilado. Si queremos obtener un gráfico de barras con las barras agrupadas en lugar de apiladas, tenemos que especificar beside = TRUE.

barplot(tt, main = "Survived es agrupado dentro de los niveles de pclass",
        col = 2:3,
        legend.text = TRUE,
        beside = TRUE
)

Igual que antes, si trasponemos la tabla, la presentación cambia

barplot(t(tt), main = "pclass es apilado dentro de los niveles de survived",
        col = 2:4,
        legend.text = TRUE,
        beside = TRUE
)

Antes de terminar … ¿Y si queremos las 4 gráficas en una sola? Para ello empleamos la función par(). Esta función permite establecer valores (“características”) por defecto, y que se aplicarán a todos los gráficos que se generen mientras no se cierre la ventana gráfica). Por ejemplo, la opción mfrow permite dividir la ventana en varios gráficos, bg cambiar el color de fondo

par(mfrow = c(2,2), bg = "cornsilk")
barplot(tt, main = "Versión 1", col = 2:3, legend.text = TRUE)
barplot(t(tt), main = "Versión 2", col = 2:4, legend.text = TRUE)
barplot(tt, main = "Versión 3", col = 2:3, legend.text = TRUE, beside = TRUE)
barplot(t(tt), main = "Versión 4", col = 2:4, legend.text = TRUE, beside = TRUE)

Ejercicio

Juega a crear gráficos de barras con las variable suvived_f y sex del conjunto de datos titanic3, u otras variables que consideres interesantes.

RECUERDA: los gráficos de barras tienen sentido con variables cualitativas (factores)!!

5.1.4 Histograma

Es el gráfico más importante para datos cuantitativos. La filosofía es la misma que el gráfico de barras para datos cualitativos , solo que toma como base la tabla de frecuencias para los datos previamente agrupados. Así, los datos se agrupan en categorías (intervalos) y se representa una barra para cada categoría, siendo su altura la frecuencia (absoluta ou relativa) de cada intervalo. Para representar este gráfico en R empleamos la función hist().

hist(titanic3$age,
     xlab = "Edad",
     main = "Distribución de la edad de l@s pasajer@s del titanic",
     ylab = "Frecuencia absoluta",
     col  = "blue",      # color de relleno
     border = "white"   # color del borde del rectángulo
)

Por defecto, la función hist() elige atomáticamente el número de intervalos para representar el histograma. Podemos cambiar el número utilizando el argumento breaks (aunque la mayor parte de las veces no será necesario). Además, podemos graficar las frecuencias absolutas en lugar de las relativas usando freq = FALSE

hist(titanic3$age,
     breaks = 30,  # Número de intervalos
     freq = FALSE, # Frecuencias relativas
     xlab = "Edad",
     main = "Distribución de la edad de l@s pasajer@s del titanic",
     ylab = "Frecuencia absoluta",
     col  = "#b347f0",      # color de relleno
     border = "#ca47f0"   # color del borde del rectángulo
)

Además, al gráfico anterior, le podemos añadir más información que consideremos interesante. Por ejemplo, una línea vertical con el valore medio de los datos

hist(titanic3$age,
     breaks = 30,  # Número de intervalos
     freq = FALSE, # Frecuencias relativas
     xlab = "Edad",
     main = "Distribución de la edad de l@s pasajer@s del titanic",
     ylab = "Frecuencia absoluta",
     col  = "#b347f0", # color de relleno
    border = "#ca47f0")   # color del borde del rectángulo   

abline(v = mean(titanic3$age, na.rm = TRUE), col = "red", lwd = 2)

5.1.5 Histograma, según los valores de una variable cualitativa

¿Y si queremos ver la distribución de edad según la clase en la que viajaba o si sobrevivió o no? Pues podemos hacerlo de dos maneras:

Haciendo un gráfico por separado para cada grupo de interés.
Presentando el histograma para cada grupo de interés pero en la misma gráfica (a veces no resulta sencillo de ver).

par(mfrow = c(1, 2)) # Dos gráficos en la misma ventana
hist(titanic3$age[titanic3$survived_f == "Sí"], # Seleccionamos la edad de los supervivientes
     breaks = 30, 
     freq = FALSE, 
     main = "Supervivientes", 
     xlab = "Edad")
hist(titanic3$age[titanic3$survived_f == "No"], # Seleccionamos la edad de los no supervivientes
     breaks = 30, 
     freq = FALSE, 
     main = "No supervivientes", 
     xlab = "Edad")

Y ahora, los dos gráficos en uno

hist(titanic3$age[titanic3$survived_f == "Sí"], 
     breaks = 30, 
     freq = FALSE,
     main = "Supervivientes vs No supervivientes", 
     xlab = "Edad", 
     col = "green", 
     density = 30,  # Trama para el color de las barras
     ylim = c(0, 0.05)) # Rango para el eje y
hist(titanic3$age[titanic3$survived_f == "No"], 
     breaks = 30, 
     freq = FALSE,
     col = "blue", 
     density = 30, # Trama para el color de las barras
     angle = 135,  # Ángulo (para las tramas)
     add = TRUE)   # Añade el gráfico al anterior!

# Añadimos una leyenda al gráfico
legend ("topright", # Posición de la leyenda
        legend = c("Supervivientes", "No supervivientes"), # Texto para la leyenda
        col = c("green", "blue"), # Color asociado a cada elemento de la leyenda
        lty = 1, # Tipo de línea   
        bty = "n") # Sin "enmarcar"

Ejercicios

Crea un histograma para la variable fare (precio) del conjunto de datos titanic3.
Crea un histograma para la variable fare (precio) del conjunto de datos titanic3, pero separadamente (bien en un mismo gráfico o en gráficos diferentes) según la clase en la que viajaba la/el pasajera/o.
Ahora trabaja con el conjunto de datos gapminder. Crea un histograma para la variable lifeExp (esperanza de vida), y hazlo separadamente según el continente (variable continent).

5.1.6 Diagrama de cajas y bigotes (box-plot)

El diagrama de cajas o box-plot también se emplea con variables cuantitativas. Es un diagrama simple pero proporciona mucha información. A partir de él se puede observar de forma clara cómo se distribuyen los datos y sus características principales. Además, permite comparar hacer comparaciones de forma sencilla.

boxplot(titanic3$age,
        main = "Edad de l@s pasajer@s del Titanic",
        ylab = "Edad",
        col = "pink",
        border = "purple")

Este gráfico está formado por una caja, en la que la base inferior coincide con el primer cuartil ($Q_1$), y la base superior con el tercer cuartil ($Q_3$). En el interior de la caja se dibuja una línea en la mediana de los datos ($Q_2$). Los bigote inferior y superior se corresponden con los siguientes límites

\[LI = min \left\{x_j \mid x_j > Q_1 - 3\left(\frac{Q_3 - Q_1}{2}\right)\right\},\]

\[ LS = max \left\{x_j \mid x_j < Q_3 + 3\left(\frac{Q_3 - Q_1}{2}\right)\right\}. \]

Cualquier valor menor que el límite inferior (LI) o mayor que el límite superior (LS) se consideara un dato atípico (outlier) y se representa en la gráfica con un punto.

5.1.7 Diagrama de cajas y bigotes (box-plot), según los valores de una variable cualitativa

Al igual que en el caso del histograma, puede ser de interés ver cómo se distribuye una variable cuantitativa según los valores (categorías o niveles) de una variable cualitativa utilizando un diagrama de cajas. En este caso, siempre es recomendable presentar los resultados en un único gráfico. Además, con la función boxplot() es muy sencillo!!

boxplot(titanic3$age ~ titanic3$survived_f,
        main = "Edad de l@s pasajer@s del Titanic",
        xlab = "Supervivientes",
        ylab = "Edad",
        col = c("pink", "purple"))

Podemos, además, cambiar la orientación del gráfico y la etiqueta asociada a cada categoría de la variable categórica

boxplot(titanic3$age ~ titanic3$survived_f,
        main = "Edad de l@s pasajer@s del Titanic",
        horizontal = TRUE, # boxplot en posición horizontal
        xlab = "Edad", # Cuidado aquí. Edad ahora está en el eje x
        col = c("pink", "purple"),
        ylab = "", 
        names = c("No sobrevivieron", "Sobrevivieron")) # cambiamos la etiqueta

***

Ejercicios

Crea un boxplot para la variable fare (precio) del conjunto de datos titanic3.
Crea un boxplot para la variable fare (precio) del conjunto de datos titanic3, pero separadamente según la clase en la que viajaba la/el pasajera/o.
Ahora trabaja con el conjunto de datos gapminder. Crea un boxplot para la variable lifeExp (esperanza de vida), y hazlo separadamente según el continente (variable continent).

5.1.8 Gráficos de dispersión

Hasta ahora hemos visto como graficar tanto variable cualitativas (empleando barplot y pie) como cuantitativas (hist y boxplot). Además, hemos visto como (1) podemos emplear barplot si queremos “estudiar” la relación entre dos variable cualitativas, y (2) podemos usar hist y boxplot para estudiar la relación entre una variable cuantitativa y otra cualitativa (si hay diferencias en la distribución de la variable cuantitativa en función de la variable cualitativa). Nos queda por tanto por ver qué hacemos cuando las dos variable de interés son cuantitativas. Para ello, uno de los gráficos más sencillo (y potentes) es el gráfico de dispersión.

El gráfico de dispersión, permite efectuar un diagnóstico visual de la posible relación (funcional) entre dos variables cuantitativa. La función en R que permite realizar este tipo de gráfico es plot. La función (ver ?plot), tiene un argumento llamado type que sirve para seleccionar el tipo de gráfico a dibujar. Las opciones de type son:

“p” para hacer un gráfico de puntos (es el tipo de gráfico por defecto).
“l” para hacer un gráfico de líneas.
“b” para hacer un gráfico de puntos y líneas (pero las líneas no entran en los puntos).
“c” para hacer un gráfico de líneas (parten de los puntos, sin entrar, pero no se representan).
“o” para hacer un gráfico de puntos y líneas (ahora las líneas entran en los puntos).
“h” para hacer un histograma o un diagrama de barras.
“s” para hacer un diagrama de escalera.

Por defecto la opción es type = "p". Por tanto, si queremos hacer un diagrama de dispersión para representar la nube de puntos no será necesario indicar el tipo de gráfico.

Para los ejemplos siguientes, cambiamos de base de datos, y utilizamos el conjunto de datos gapminder. Lo que nos interesa estudiar es si hay relación entre la renta per capita y la esperanza de vida. Primero de todo, veamos cómo se distribuye cada variable por separado

par(mfrow = c(2,2))
hist(data.gap$gdpPercap, xlab = "Renta per capita", main = "Renta per capita")
hist(data.gap$lifeExp, xlab = "Esperanza de vida", main = "Esperanza de vida")
boxplot(data.gap$gdpPercap, xlab = "Renta per capita", main = "Renta per capita")
boxplot(data.gap$lifeExp, xlab = "Esperanza de vida", main = "Esperanza de vida")

Lo que vemos en la gráfica anterior, es que que la distribución de la renta per cápita es muy asimétrica (muchos valores “atípicos” muy elevados). Esa asimetría sugiere que es preferible, al hacer el gráfico de dispersión, emplear el logaritmo de la renta.

plot(x = log(data.gap$gdpPercap), y = data.gap$lifeExp,
     xlab = "Renta per capita (escala logarítmica)",
     ylab = "Esperanza de vida")

También lo podríamos haber hecho así

plot(data.gap$lifeExp ~ log(data.gap$gdpPercap),
     xlab = "Renta per capita (escala logarítmica)",
     ylab = "Esperanza de vida")

Además, podemos “complicar” la cosa un poquito más: ver si la relación que observamos cambia según el continente (variable cualitativa). Eso lo podemos hacer dibujando de color diferente los puntos del gráfico según el continente. Empleamos para ello el argumento col

levels(data.gap$continent)

## [1] "Africa"   "Americas" "Asia"     "Europe"   "Oceania"

plot(data.gap$lifeExp ~ log(data.gap$gdpPercap),
     col  =  (1:5)[data.gap$continent], # Misma longitud que los datos!!
     xlab = "Renta per capita (escala logarítmica)",
     ylab = "Esperanza de vida")

legend("bottomright", 
       col = 1:5, # Colores utilizados
       pch = 16,  # Tipo de punto
       legend = levels(data.gap$continent), # Etiqueta asociada a cada color
       bty = "n") # Leyenda sin recuadro

Y podemos cambiar el tipo de “punto” para cada continente, empleando el argumeneto pch

levels(data.gap$continent)

## [1] "Africa"   "Americas" "Asia"     "Europe"   "Oceania"

plot(data.gap$lifeExp ~ log(data.gap$gdpPercap),
     col  =  (1:5)[data.gap$continent], # Misma longitud que los datos!!
     pch  =  (1:5)[data.gap$continent], # Misma longitud que los datos!!
     cex = 0.5, # Cambiamos el tamaño de cada punto
     xlab = "Renta per capita (escala logarítmica)",
     ylab = "Esperanza de vida")

legend("bottomright", 
       col = 1:5, # Colores utilizados
       pch = 1:5, # Tipo de punto
       legend = levels(data.gap$continent), # Etiqueta asociada a cada color/punto
       bty = "n")

Ejercicios

Crea un diagrama de cajas para evaluar si la esperanza de vida ha cambiado a lo largo de los años (variable year en la base de datos).

5.2 Añadir elementos a un gráfico

Una vez creado un gráfico, podemos añadir “elementos” a él. Hemos visto algunos a lo largo de la sesión de hoy (abline o legend), pero hay muchos más. Aquí tenéis más que pueden ser de interés:

points() Añade puntos
lines() Añade líneas
abline() Añade una línea paramétrica
legend() Añade una leyenda
mtext() Escribe texto en los márgenes
text() Escribe texto dentro gráfico.
arrows(), segments(), polygon() Dibuja flechas, segmentos y polígonos
title() Añade títulos
identify() y locator() Permiten identificar puntos del gráfico o coordenadas

5.3 Más funciones gráficas

En esta sesión hemos visto solo una parte pequeña de la funciones que ofrece R para hacer gráficos, pero incluso el sistema gráfico base de R ofrece muchas más funciones. Entre ellas:

symbols() Dibuja símbolos en un gráfico (círculos, rectángulos, estrellas, boxplots o termómetros)
pairs() Gráficos de dispersión multivariantes
matplot() Gráfico de x con una matriz de y’s
coplot() Gráficos de dispersión condicionados
barplot() Gráfico de barras
image() Gráfico de niveles de una matriz
contour() y filled.contour() Líneas de contorno
persp() Gráfico 3-D

Ejemplo

coplot(data.gap$lifeExp ~ log(data.gap$gdpPercap)|data.gap$continent,
     xlab = "Renta per capita (escala logarítmica)",
     ylab = "Esperanza de vida")

5.4 Guardar y exportar gráficos

Si trabajamos RStudio y queremos guardar o exportar un gráfico normalmente hacemos lo siguiente:

Ejecutamos el “código” del gráfico que queremos guardar. Este gráfico aparecerá en la pestaña Plots del entorno de trabajo de RStudio (lo hemos visto a lo largo de la sesión)

$~$

Al seleccionar la opción Export se desplegará una lista con tres opciones:

$~$

Guardar como imagen (Save as image…). El formato de salida del gráfico puede ser: “.png”, “.jpeg”, “.tiff”, “.bmp”, etc. También podemos cambiar las dimensiones (anchura y altura) del gráfico. Si vamos a utilizar el gráfico en Word es conveniente guardar el gráfico como Metafile.

$~$

Guardar como pdf (Save as pdf…).
Copiar al portapapeles (Copy to clipboard…)

Taller de introducción a R

R-ladies Bilbao

1 Introducción a R y RStudio

2 Conceptos básicos de R

2.1 Hola mundo

2.2 Configuración inicial

2.2.1 Definir el directorio de trabajo (working directory)

2.2.2 Librerías o paquetes

2.2.3 Prácticas de buen uso

2.3 Objetos de R

2.3.1 Variables

2.3.2 Vectores

2.3.3 Matrices y Dataframes

2.4 Funciones

2.4.1 Funciones básicas de R

2.4.2 Ayuda de R

2.4.3 Definición de funciones

3 Importar y exportar datos

3.1 Importar (leer) datos a R

3.2 Exportar (escribir) datos desde R

4 Gestión básica de datos

4.1 Explorando la estructura inicial de los datos

4.2 Creación de nuevas variables

4.3 Renombrando variables

4.4 Subconjuntos de datos

4.5 Fusionando conjuntos de datos

5 Visualización básica de datos

5.1 Gráficos base

5.1.1 Gráfico de barras

5.1.2 Gráfico de sectores

5.1.3 Gráfico de barras para dos variables cualitativas

5.1.4 Histograma

5.1.5 Histograma, según los valores de una variable cualitativa

5.1.6 Diagrama de cajas y bigotes (box-plot)

5.1.7 Diagrama de cajas y bigotes (box-plot), según los valores de una variable cualitativa

5.1.8 Gráficos de dispersión

5.2 Añadir elementos a un gráfico

5.3 Más funciones gráficas

5.4 Guardar y exportar gráficos